Nghiên cứu một số phương pháp phân cụm mờ và ứng dụng

ĐẠI HỌC THÁI NGUYÊN KHOA CÔNG NGHỆ THÔNG TIN AN HỒNG SƠN NGHIÊN CỨU MỘT SỐ PHƯƠNG PHÁP PHÂN CỤM MỜ VÀ ỨNG DỤNG CHUYÊN NGÀNH: KHOA HỌC MÁY TÍNH MÃ SỐ: 60 48 01 LUẬN VĂN THẠC SĨ KHOA HỌC HƯỚNG DẪN KHOA HỌC: PGS.TS NGÔ QUỐC TẠO THÁI NGUYÊN - 2008 1 Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên MỤC LỤC DANH MỤC CÁC TỪ VIẾT TẮT ........................................................................ DANH MỤC CÁC HÌNH MINH HOẠ ................................................................ Chƣơng 1 - TỔNG QUAN VỀ KHÁM PHÁ TRI THỨC VÀ KPDL .................. 1.1. Giới thiệu chung về khám phá tri thức và khai phá dữ liệu ................. 1.2. Quá trình khám phá tri thức ................................................................. 1.3. Quá trình khai phá dữ liệu .................................................................... 1.4. Các phƣơng pháp khai phá dữ liệu ....................................................... 1.5. Các lĩnh vực ứng dụng thực tiễn của KPDL ........................................ 1.6. Các hƣớng tiếp cận cơ bản và kỹ thuật áp dụng trong KPDL .............. 1.7. Các thách thức - khó khăn trong KPTT và KPDL................................ 1.8. Kết luận ................................................................................................ Chƣơng 2 - PHÂN CỤM DỮ LIỆU VÀ CÁC THUẬT TOÁN TRONG PCDL . 2.1. Khái niệm và mục tiêu của phân cụm dữ liệu ...................................... 2.2. Các ứng dụng của phân cụm dữ liệu .................................................... 2.3. Các yêu cầu của phân cụm ................................................................... 2.4. Những kỹ thuật tiếp cận trong phân cụm dữ liệu ................................. 2.4.1. Phƣơng pháp phân cụm phân hoạch .......................................... 2.4.2. Phƣơng pháp phân cụm phân cấp .............................................. 2.4.3. Phƣơng pháp phân cụm dựa trên mật độ ................................... 2.4.4. Phƣơng pháp phân cụm dựa trên lƣới ....................................... 2.4.5. Phƣơng pháp phân cụm dựa trên mô hình ................................. 2.4.6. Phƣơng pháp phân cụm có dữ liệu ràng buộc ........................... 2.5. Một số thuật toán cơ bản trong phân cụm dữ liệu ................................ 2.5.1. Các thuật toán phân cụm phân hoạch ........................................ 2.5.2. Các thuật toán phân cụm phân cấp ............................................ 2.5.3. Các thuật toán phân cụm dựa trên mật độ ................................. 2.5.4. Các thuật toán phân cụm dựa trên lƣới ...................................... 4 5 6 6 7 8 9 10 11 12 12 13 13 15 16 18 19 19 20 21 22 22 24 24 26 29 32 2 Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên 2.5.5. Các thuật toán phân cụm dựa trên mô hình ............................... 2.5.6. Các thuật toán phân cụm có dữ liệu ràng buộc ......................... Chƣơng 3 - KỸ THUẬT PHÂN CỤM DỮ LIỆU MỜ ......................................... 3.1. Tổng quan về phân cụm mờ ................................................................. 3.2. Các thuật toán trong phân cụm mờ ...................................................... 3.2.1. Thuật toán FCM(Fuzzy C-means) ............................................. 3.2.1.1. Hàm mục tiêu ............................................................. 3.2.1.2. Thuật toán FCM ......................................................... 3.2.2. Thuật toán FCM(ε- Insensitive Fuzzy C-means) ..................... 3.2.2.1. Hàm mục tiêu ............................................................. 3.2.2.2. Thuật toán FCM ........................................................ 3.2.3. Thuật toán FCM Cải tiến ........................................................... 3.2.3.1. Thuật toán 1: Thuật toán lựa chọn các điểm dữ liệu làm ứng viên cho việc chọn các trung tâm của các cụm ....... 3.2.3.2. Thuật toán 2: Thuật toán lƣợc bớt các ứng viên ........ 3.2.3.3. Thuật toán 3: Thuật toán chọn các ứng viên làm cực tiểu hàm mục tiêu .................................................................. 3.2.3.4. Thuật toán 4: Gán các trung tâm có liên kết “gần gũi” vào một cụm .................................................................. 3.2.3.5. Tổng kết thuật toán FCM-Cải tiến ............................. Chƣơng 4 - MÔ HÌNH MẠNG NƠRON ĐA KHỚP DÙNG CHO PCM ............ 4.1. Tổng quan về mạng Nơron ................................................................... 4.2. Cấu trúc mạng Nơron ........................................................................... 4.2.1. Hàm kích hoạt ........................................................................... 4.2.2. Liên kết mạng ............................................................................ 4.2.3. Bài toán huấn luyện mạng ......................................................... 4.3. Mạng HOPFIELD ................................................................................ 4.3.1. Huấn luyện mạng ....................................................................... 4.3.2. Sử dụng mạng ............................................................................. 35 36 37 37 38 39 39 42 46 46 48 49 49 51 51 52 56 58 58 61 61 61 61 62 62 63 3 Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên 4.4. Mạng Nơron đa khớp dùng cho phân cụm ............................................ 4.4.1. Xây dựng lớp mạng Layer1 cho tối ƣu các trung tâm cụm ........ 4.4.2. Xây dựng lớp mạng Layer2 cho tối ƣu các độ thuộc ................. 4.5. Sự hội tụ của FBACN ........................................................................... 4.5.1. Chứng minh sự hội tụ của FBACN ............................................ 4.5.2. Sự hội tụ FBACN liên tục của Layer1 ....................................... 4.6. Giải thuật của FBACN và FBACN với việc học .................................. Chƣơng 5 - CÀI ĐẶT THỬ NGHIỆM VÀ ỨNG DỤNG ..................................... 5.1. Cài đặt thử nghiệm thuật toán FCM ...................................................... 5.2. Ứng dụng thuật toán FCM-Cải tiến vào nhận dạng ảnh ....................... KẾT LUẬN ............................................................................................................ TÀI LIỆU THAM KHẢO ...................................................................................... 63 65 68 72 72 74 75 79 79 82 86 87 4 Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên DANH MỤC CÁC TỪ VIẾT TẮT CNTT CSDL CEF DL FBACN FCM HMT KPDL KPTT LKM MH NDA NN PCM PCDL TLTK TT XLA Công nghệ thông tin Cơ sở dữ liệu Computational Energy Function Dữ liệu Fuzzy Bi-directional Associative Clustering Network (Mạng Nơron đa khớp phục vụ cho phân cụm mờ) Fuzzy C-Means Hàm mục tiêu Khai phá dữ liệu Khám phá tri thức Liên kết mạng Mô hình Nhận dạng ảnh Neural Network Phân cụm mờ Phân cụm dữ liệu Tài liệu tham khảo Thuật toán Xử lý ảnh 5 Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên DANH MỤC CÁC HÌNH MINH HOẠ Hình 1.1 Hình 1.2 Hình 2.1 Hình 2.2 Hình 2.3 Hình 2.4 Hình 2.5 Hình 2.6 Hình 2.7 Hình 2.8 Hình 2.9 Hình 3.1 Hình 3.2 Hình 3.3 Hình 3.4 Hình 4.1 Hình 4.2 Hình 4.3 Hình 4.4 Hình 4.5 Hình 5.1 Hình 5.2 Hình 5.3 Hình 5.4 Hình 5.5 Quá trình Khám phá tri thức ................................................... Quá trình Khai phá dữ liệu ...................................................... Mô tả tập dữ liệu vay nợ đƣợc phân thành 3 cụm .................1 Các chiến lƣợc phân cụm phân cấp .......................................2 Cấu trúc phân cấp ..................................................................2 Các cách mà các cụm có thể đƣa ra ....................................... Các thiết lập để xác định ranh giới các cụm ban đầu ............. Tính toán trọng tâm của các cụm mới .................................... Khái quát thuật toán CURE ................................................... Các cụm dữ liệu đƣợc khám phá bởi CURE .......................... Hình dạng các cụm đƣợc khám phá bởi TT DBSCAN .......... Mô phỏng về tập dữ liệu đơn chiều ....................................... Hàm thuộc với trọng tâm của cụm A trong k-means ............. Hàm thuộc với trọng tâm của cụm A trong FCM .................. Các cụm khám phá đƣợc bởi thuật toán FCM ....................... Mô hình mạng Nơron ............................................................. Mô hình học có giám sát ........................................................ Mô hình FBACN .................................................................... Mô hình Lớp Layer1 của FBACN ......................................... Mô hình Lớp Layer2 của FBACN ......................................... Giao diện của thuật toán FCM khi khởi động ........................ Giao diện của thuật toán FCM khi làm việc .......................... Giao diện của chƣơng trình khi khởi động ............................. Giao diện của chƣơng trình khi chọn ảnh để phân cụm .......... Giao diện của chƣơng trình khi thực hiện phân cụm ............. 7 9 14 20 21 23 24 25 27 27 30 44 44 45 46 60 62 64 65 69 80 81 83 84 85 6 Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên CHƢƠNG 1 TỔNG QUAN VỀ KHÁM PHÁ TRI THỨC VÀ KHAI PHÁ DỮ LIỆU 1.1. Giới thiệu chung về khám phá tri thức và khai phá dữ liệu .................................... 1.2. Quá trình khám phá tri thức .................................................................................... 1.3. Quá trình khai phá dữ liệu ...................................................................................... 1.4. Các phƣơng pháp khai phá dữ liệu ......................................................................... 1.5. Các lĩnh vực ứng dụng thực tiễn của KPDL ........................................................... 1.6. Các hƣớng tiếp cận cơ bản và kỹ thuật áp dụng trong KPDL ................................ 1.7. Các thách thức - khó khăn trong KPTT và KPDL .................................................. 1.8. Kết luận ................................................................................................................... 6 7 8 9 10 11 12 12 1.1. Giới thiệu chung về khám phá tri thức và khai phá dữ liệu Nếu cho rằng, điện tử và truyền thông chính là bản chất của khoa học điện tử, thì dữ liệu, thông tin, và tri thức hiện đang là tiêu điểm của một lĩnh vực mới để nghiên cứu và ứng dụng, đó là khám phá tri thức và khai phá dữ liệu. Thông thƣờng, chúng ta coi dữ liệu nhƣ là một chuỗi các bits, hoặc các số và các ký hiệu hay là các “đối tƣợng” với một ý nghĩa nào đó khi đƣợc gửi cho một chƣơng trình dƣới một dạng nhất định. Các bits thƣờng đƣợc sử dụng để đo thông tin, và xem nó nhƣ là dữ liệu đã đƣợc loại bỏ phần tử thừa, lặp lại, và rút gọn tới mức tối thiểu để đặc trƣng một cách cơ bản cho dữ liệu. Tri thức đƣợc xem nhƣ là các thông tin tích hợp, bao gồm các sự kiện và mối quan hệ giữa chúng, đã đƣợc nhận thức, khám phá, hoặc nghiên cứu. Nói cách khác, tri thức có thể đƣợc coi là dữ liệu ở mức độ cao của sự trừu tƣợng và tổng quát. Khám phá tri thức hay phát hiện tri thức trong CSDL là một quy trình nhận biết các mẫu hoặc các mô hình trong dữ liệu với các tính năng: Phân tích, tổng hợp, hợp thức, khả ích và có thể hiểu đƣợc. 7 Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên Khai phá dữ liệu là một bƣớc trong quá trình khám phá tri thức, gồm các thuật toán khai thác dữ liệu chuyên dùng dƣới một số qui định về hiệu quả tính toán chấp nhận đƣợc để tìm ra các mẫu hoặc các mô hình trong dữ liệu. Nói cách khác, mục tiêu của Khai phá dữ liệu là tìm kiếm các mẫu hoặc mô hình tồn tại trong CSDL nhƣng ẩn trong khối lƣợng lớn dữ liệu. 1.2. Quá trình khám phá tri thức Hình 1.1: Quá trình KPTT Bao gồm các bƣớc sau: Làm sạch dữ liệu (Data Cleaning): Loại bỏ dữ liệu nhiễu và dữ liệu không nhất quán. Tích hợp dữ liệu (Data Intergation): Dữ liệu của nhiều nguồn có thể đƣợc tổ hợp lại. 8 Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên Lựa chọn dữ liệu (Data Selection): Lựa chọn những dữ liệu phù hợp với nhiệm vụ phân tích trích rút từ cơ sở dữ liệu. Chuyển đổi dữ liệu (Data Transformation): Dữ liệu đƣợc chuyển đổi hay đƣợc hợp nhất về dạng thích hợp cho việc khai phá. Khai phá dữ liệu (Data Mining): Đây là một tiến trình cốt yếu trong đó các phƣơng pháp thông minh đƣợc áp dụng nhằm trích rút ra mẫu dữ liệu. Đánh giá mẫu (Pattern Evaluation): Dựa trên một độ đo nào đó xác định lợi ích thực sự, độ quan trọng của các mẫu biểu diễn tri thức. Biểu diễn tri thức (Knowledge Presentation): Ở giai đoạn này các kỹ thuật biểu diễn và hiển thị đƣợc sử dụng để đƣa tri thức lấy ra cho ngƣời dùng. 1.3. Quá trình khai phá dữ liệu KPDL là một giai đoạn quan trọng trong quá trình KPTT. Về bản chất, nó là giai đoạn duy nhất tìm ra đƣợc thông tin mới, thông tin tiềm ẩn có trong CSDL chủ yếu phục vụ cho mô tả và dự đoán. Mô tả dữ liệu là tổng kết hoặc diễn tả những đặc điểm chung của những thuộc tính dữ liệu trong kho dữ liệu mà con ngƣời có thể hiểu đƣợc. Dự đoán là dựa trên những dữ liệu hiện thời để dự đoán những quy luật đƣợc phát hiện từ các mối liên hệ giữa các thuộc tính của dữ liệu trên cơ sở đó chiết xuất ra các mẫu, dự đoán đƣợc những giá trị chƣa biết hoặc những giá trị tƣơng lai của các biến quan tâm. Quá trình KPDL bao gồm các bƣớc chính đƣợc thể hiện nhƣ Hình 1.2 sau: 9 Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên Hình 1.2: Quá trình KPDL  Xác định nhiệm vụ: Xác định chính xác các vấn đề cần giải quyết.  Xác định các dữ liệu liên quan: Dùng để xây dựng giải pháp.  Thu thập và tiền xử lý dữ liệu: Thu thập các dữ liệu liên quan và tiền xử lý chúng sao cho thuật toán KPDL có thể hiểu đƣợc. Đây là một quá trình rất khó khăn, có thể gặp phải rất nhiều các vƣớng mắc nhƣ: dữ liệu phải đƣợc sao ra nhiều bản (nếu đƣợc chiết xuất vào các tệp), quản lý tập các dữ liệu, phải lặp đi lặp lại nhiều lần toàn bộ quá trình (nếu mô hình dữ liệu thay đổi), v.v..  Thuật toán khai phá dữ liệu: Lựa chọn thuật toán KPDL và thực hiện việc PKDL để tìm đƣợc các mẫu có ý nghĩa, các mẫu này đƣợc biểu diễn dƣới dạng luật kết hợp, cây quyết định... tƣơng ứng với ý nghĩa của nó. 1.4. Các phƣơng pháp khai phá dữ liệu Với hai mục đích khai phá dƣ liệu là Mô tả và Dự đoán, ngƣời ta thƣờng sử dụng các phƣơng pháp sau cho khai phá dữ liệu:  Luật kết hợp (association rules)  Phân lớp (Classfication)  Hồi qui (Regression)  Trực quan hóa (Visualiztion) Thu thập và tiền xử lý DL Thống kê tóm tắt Thuật toán KPD L Mẫu Xác định nhiệm vụ DL trực tiếp Xác định DL liên quan 10 Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên  Phân cụm (Clustering)  Tổng hợp (Summarization)  Mô hình ràng buộc (Dependency modeling)  Biểu diễn mô hình (Model Evaluation)  Phân tích sự phát triển và độ lệch (Evolution and deviation analyst)  Phƣơng pháp tìm kiếm (Search Method) Có nhiều phƣơng pháp khai phá dữ liệu đƣợc nghiên cứu ở trên, trong đó có ba phƣơng pháp đƣợc các nhà nghiên cứu sử dụng nhiều nhất đó là: Luật kết hợp, Phân lớp dữ liệu và Phân cụm dữ liệu. 1.5. Các lĩnh vực ứng dụng thực tiễn của KPDL KPDL là một lĩnh vực mới phát triển nhƣng thu hút đƣợc khá nhiều nhà nghiên cứu nhờ vào những ứng dụng thực tiễn của nó. Sau đây là một số lĩnh vực ứng dụng thực tế điển hình của KPDL: - Phân tích dữ liệu và hỗ trợ ra quyết định - Phân lớp văn bản, tóm tắt văn bản, phân lớp các trang Web và phân cụm ảnh màu - Chuẩn đoán triệu chứng, phƣơng pháp trong điều trị y học - Tìm kiếm, đối sánh các hệ Gene và thông tin di truyền trong sinh học - Phân tích tình hình tài chính, thị trƣờng, dự báo gía cổ phiếu trong tài chính, thị trƣờng và chứng khoán - Phân tích dữ liệu marketing, khách hàng. - Điều khiển và lập lịch trình - Bảo hiểm - Giáo dục..... 11 Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên 1.6. Các hƣớng tiếp cận cơ bản và kỹ thuật áp dụng trong KPDL. Vấn đề khai phá dữ liệu có thể đƣợc phân chia theo lớp các hƣớng tiếp cận chính sau: - Phân lớp và dự đoán (classification &prediction): Là quá trình xếp một đối tƣợng vào một trong những lớp đã biết trƣớc (ví dụ: phân lớp các bệnh nhân theo dữ liệu hồ sơ bệnh án, phân lớp vùng địa lý theo dữ liệu thời tiết...). Đối với hƣớng tiếp cận này thƣờng sử dụng một số kỹ thuật của học máy nhƣ cây quyết định (decision tree), mạng nơron nhân tạo (neural network),...Hay lớp bài toán này còn đƣơc gọi là học có giám sát - Học có thày (supervised learning). - Phân cụm (clustering/segmentation): Sắp xếp các đối tƣợng theo từng cụm dữ liệu tự nhiên, tức là số lƣợng và tên cụm chƣa đƣợc biết trƣớc. Các đối tƣợng đƣợc gom cụm sao cho mức độ tƣơng tự giữa các đối tƣợng trong cùng một cụm là lớn nhất và mức độ tƣơng tự giữa các đối tƣợng nằm trong các cụm khác nhau là nhỏ nhất. Lớp bài toán này còn đƣợc gọi là học không giám sát - Học không thày (unsupervised learning). - Luật kết hợp (association rules): Là dạng luật biểu diễn tri thức ở dạng khá đơn giản (Ví dụ: 80% sinh viên đăng ký học CSDL thì có tới 60% trong số họ đăng ký học Phân tích thiết kế hệ thống thông tin). Hƣớng tiếp cận này đƣợc ứng dụng nhiều trong lĩnh vực kinh doanh, y học, tin sinh học, giáo dục, viễn thông, tài chính và thị trƣờng chứng khoán,... - Phân tích chuỗi theo thời gian (sequential/temporal patterns): Cũng tƣơng tự nhƣ khai phá dữ liệu bằng luật kết hợp nhƣng có thêm tính thứ tự và tính thời gian. Một luật mô tả mẫu tuần tự có dạng tiêu biểu X -> Y, phản ánh sự xuất hiện của biến cố X sẽ dẫn đến việc xuất hiện biến cố Y. Hƣớng tiếp cận này đƣợc ứng dụng nhiều trong lĩnh vực tài chính và thị trƣờng chứng khoán bởi chúng có tính dự báo cao. 12 Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên - Mô tả khái niệm (concept desccription & summarization): Lớp bài toán này thiên về mô tả, tổng hợp và tóm tắt khái niệm (Ví dụ: tóm tắt văn bản). 1.7. Các thách thức - khó khăn trong KPTT và KPDL KPTT và KPDL liên quan đến nhiều ngành, nhiều lĩnh vực trong thực tế, vì vậy các thách thức và khó khăn ngày càng nhiều, càng lớn hơn. Sau đây là một số các thách thức và khó khăn cần đƣợc quan tâm: + Các cơ sở dữ liệu lớn, các tập dữ liệu cần sử lý có kích thƣớc cực lớn, Trong thực tế, kích thƣớc của các tập dữ liệu thƣờng ở mức tera-byte (hàng ngàn giga-byte). + Mức độ nhiễu cao hoặc dữ liệu bị thiếu + Số chiều lớn + Thay đổi dữ liệu và tri thức có thể làm cho các mẫu đã phát hiện không còn phù hợp + Quan hệ giữa các trƣờng phức tạp 1.8. Kết luận KPDL là lĩnh vực đã và đang trở thành một trong những hƣớng nghiên cứu thu hút đƣợc sự quan tâm của nhiều chuyên gia về CNTT trên thế giới. Trong những năm gần đây, rất nhiều các phƣơng pháp và thuật toán mới liên tục đƣợc công bố. Điều này chứng tỏ những ƣu thế, lợi ích và khả năng ứng dụng thực tế to lớn của KPDL. Chƣơng này đã trình bày một số kiến thức tổng quan về KPTT, những khái niệm và kiến thức cơ bản nhất về KPDL. 13 Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên CHƢƠNG 2 PHÂN CỤM DỮ LIỆU VÀ CÁC THUẬT TOÁN TRONG PHÂN CỤM DỮ LIỆU 2.1. Khái niệm và mục tiêu của phân cụm dữ liệu ........................................................ 2.2. Các ứng dụng của phân cụm dữ liệu ...................................................................... 2.3. Các yêu